Susan Etlinger: What do we do with all this big data?

149,425 views ・ 2014-10-20

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Eszter Balogh Lektor: Péter Pallós
00:13
Technology has brought us so much:
0
13354
3135
Annyi mindent adott nekünk a modern technológia;
00:16
the moon landing, the Internet,
1
16489
2019
a holdra szállást, az internetet,
00:18
the ability to sequence the human genome.
2
18508
2625
lehetőséget az emberi genom feltérképezésére.
00:21
But it also taps into a lot of our deepest fears,
3
21133
3724
De mindemellett felszínre hozta legmélyebb félelmeinket is;
00:24
and about 30 years ago,
4
24857
1856
kb. 30 évvel ezelőtt
00:26
the culture critic Neil Postman wrote a book
5
26713
2553
írta a kultúrkritikus Neil Postman
00:29
called "Amusing Ourselves to Death,"
6
29266
2115
a "Halálba szórakozzuk magunkat" c. könyvét,
00:31
which lays this out really brilliantly.
7
31381
2759
amely ezt gyönyörűen illusztrálja.
00:34
And here's what he said,
8
34140
1650
Postman a következőket mondta
00:35
comparing the dystopian visions
9
35790
2263
George Orwell és Aldous Huxley
00:38
of George Orwell and Aldous Huxley.
10
38053
3573
antiutópisztikus világképét összehasonlítva:
00:41
He said, Orwell feared we would become
11
41626
3126
Orwell attól félt,
00:44
a captive culture.
12
44752
2248
hogy foglyokká válunk,
00:47
Huxley feared we would become a trivial culture.
13
47000
3752
míg Huxley attól, hogy egy banális társadalom szintjére süllyedünk.
00:50
Orwell feared the truth would be
14
50752
2145
Orwell látomásában
00:52
concealed from us,
15
52897
1923
az igazságot elrejtik előlünk,
00:54
and Huxley feared we would be drowned
16
54820
2190
Huxley attól tartott, hogy belefulladunk
00:57
in a sea of irrelevance.
17
57010
2693
a lényegtelenség tengerébe.
00:59
In a nutshell, it's a choice between
18
59703
2170
Dióhéjban, két választási lehetőségünk van:
01:01
Big Brother watching you
19
61873
2600
vagy Nagy Testvér (Big Brother) tart szemmel bennünket,
01:04
and you watching Big Brother.
20
64473
2496
vagy mi tartjuk szemmel Nagy Testvért.
01:06
(Laughter)
21
66969
1931
(Nevetés)
01:08
But it doesn't have to be this way.
22
68900
1734
De ennek nem kell így történnie.
01:10
We are not passive consumers of data and technology.
23
70634
3336
Ugyanis nem vagyunk az információ és a technológia passzív fogyasztói.
01:13
We shape the role it plays in our lives
24
73970
2403
Mi döntjük el, mi a szerepük az életünkben,
01:16
and the way we make meaning from it,
25
76373
2130
és mekkora jelentőséget tulajdonítunk nekik.
01:18
but to do that,
26
78503
1603
De ahhoz, hogy ez sikerüljön,
01:20
we have to pay as much attention to how we think
27
80106
3513
nemcsak arra kell figyelnünk, hogy mit gondolunk,
01:23
as how we code.
28
83619
2030
hanem arra is, hogy miként fogalmazunk.
01:25
We have to ask questions, and hard questions,
29
85649
3098
Kérdéseket kell feltennünk, nehéz kérdéseket;
01:28
to move past counting things
30
88747
1869
hogy túllépjünk a dolgok számbavételén,
01:30
to understanding them.
31
90616
2602
és megértsük őket.
01:33
We're constantly bombarded with stories
32
93218
2446
Folyamatosan történetekkel bombáznak minket arról,
01:35
about how much data there is in the world,
33
95664
2476
hogy milyen sok információ van a világon,
01:38
but when it comes to big data
34
98140
1580
de mikor szóba kerül a "big data"
01:39
and the challenges of interpreting it,
35
99720
2596
és az értelmezésében rejlő kihívások,
01:42
size isn't everything.
36
102316
2088
kiderül, hogy nem csak a mérete számít.
01:44
There's also the speed at which it moves,
37
104404
2903
Ugyanis az is fontos, hogy milyen sebességgel mozog
01:47
and the many varieties of data types,
38
107307
1696
és hány fajtája van.
01:49
and here are just a few examples:
39
109003
2498
Néhány példa rá:
01:51
images,
40
111501
2198
képek,
01:53
text,
41
113699
4007
szöveg, [Kérjük várjon itt, míg hasznossá nem teszi magát. Köszönjük.]
01:57
video,
42
117706
2095
videó,
01:59
audio.
43
119801
1830
hang,
02:01
And what unites this disparate types of data
44
121631
3042
Az információ különböző formáit az köti össze,
02:04
is that they're created by people
45
124673
2221
hogy emberek alkották őket,
02:06
and they require context.
46
126894
2775
s az embereknek szükségük van kontextusra.
02:09
Now, there's a group of data scientists
47
129669
2445
Adatbányászok egy csoportja
02:12
out of the University of Illinois-Chicago,
48
132114
2305
a chicagói Illinois Egyetemen,
02:14
and they're called the Health Media Collaboratory,
49
134419
2554
akiket "Health Media Collaboratory-nak" hívnak,
02:16
and they've been working with the Centers for Disease Control
50
136973
2587
együtt dolgoznak a Járványügyi Központtal,
02:19
to better understand
51
139560
1505
azért, hogy jobban megértsék,
02:21
how people talk about quitting smoking,
52
141065
2848
miként beszélnek az emberek a dohányzásról való leszokásról,
02:23
how they talk about electronic cigarettes,
53
143913
2680
az elektronikus cigarettáról,
02:26
and what they can do collectively
54
146593
1985
és hogyan segíthetnek egymásnak
02:28
to help them quit.
55
148578
1984
a leszokásban.
02:30
The interesting thing is, if you want to understand
56
150562
2013
Érdekesség, hogy ha szeretnénk megérteni,
02:32
how people talk about smoking,
57
152575
2216
miként beszélnek a dohányzásról,
02:34
first you have to understand
58
154791
1901
először azt kell megértenünk,
02:36
what they mean when they say "smoking."
59
156692
2565
hogy mit értenek dohányzáson.
02:39
And on Twitter, there are four main categories:
60
159257
3926
A Twitteren négy fő kategória van:
02:43
number one, smoking cigarettes;
61
163183
2997
az első: cigarettát szívni,
02:46
number two, smoking marijuana;
62
166180
2807
a második: füvet szívni,
02:48
number three, smoking ribs;
63
168987
2643
a harmadik: marhabordát füstölni,
02:51
and number four, smoking hot women.
64
171630
3553
és végül a negyedik: vonzó dohányzó nők.
02:55
(Laughter)
65
175183
2993
(Nevetés)
02:58
So then you have to think about, well,
66
178176
2426
Tehát el kell gondolkodnunk azon,
03:00
how do people talk about electronic cigarettes?
67
180602
2140
hogyan is beszélnek az emberek az e-cigiről?
03:02
And there are so many different ways
68
182742
2025
Számtalan lehetőség van
03:04
that people do this, and you can see from the slide
69
184767
2599
az e-cigi megnevezésére, és ahogy a dián is látható,
03:07
it's a complex kind of a query.
70
187366
2610
ez egy rendkívül összetett lekérdezés.
03:09
And what it reminds us is that
71
189976
3224
Legtöbbünket ez arra emlékezteti,
03:13
language is created by people,
72
193200
2411
hogy a nyelveket emberek hozták létre,
03:15
and people are messy and we're complex
73
195611
2340
és az emberek rendetlenek és összetettek,
03:17
and we use metaphors and slang and jargon
74
197951
2767
metaforákat, szlenget és szakzsargont használnak
03:20
and we do this 24/7 in many, many languages,
75
200718
3279
a nap 24 órájában több ezer nyelven,
03:23
and then as soon as we figure it out, we change it up.
76
203997
3224
és mire rájövünk valaminek a jelentésére, újra megváltoztatjuk.
03:27
So did these ads that the CDC put on,
77
207221
5118
A Járványügyi Központ
03:32
these television ads that featured a woman
78
212339
2430
egy lyukas torkú nővel kampányol
03:34
with a hole in her throat and that were very graphic
79
214769
2021
a dohányzás ellen egy látványos,
03:36
and very disturbing,
80
216790
1904
de meglehetősen zavaró tévéreklámban.
03:38
did they actually have an impact
81
218694
1885
Vajon van-e ennek bármilyen hatása arra,
03:40
on whether people quit?
82
220579
2671
hogy az emberek leszokjanak a dohányzásról?
03:43
And the Health Media Collaboratory respected the limits of their data,
83
223250
3307
A Health Media Collaboratory tisztában volt adatainak korlátaival,
03:46
but they were able to conclude
84
226557
2005
mégis tudtak következtetéseket levonni.
03:48
that those advertisements — and you may have seen them —
85
228562
3312
Eszerint ezek a reklámok, — talán önök is látták őket —
03:51
that they had the effect of jolting people
86
231874
2591
melyekről úgy gondolták, hogy az embereket
03:54
into a thought process
87
234465
1822
elgondolkodásra sarkallják,
03:56
that may have an impact on future behavior.
88
236287
3667
igenis hatással lehetnek a jövőbeli viselkedésükre.
03:59
And what I admire and appreciate about this project,
89
239954
3891
Ami nekem ebben a projektben tetszik és értékelek,
04:03
aside from the fact, including the fact
90
243845
1489
eltekintve attól a ténytől,
04:05
that it's based on real human need,
91
245334
4057
hogy emberi szükségleten alapszik,
04:09
is that it's a fantastic example of courage
92
249391
2846
az az, hogy remek példája
04:12
in the face of a sea of irrelevance.
93
252237
4443
a fölösleges információval való szembeszállásnak.
04:16
And so it's not just big data that causes
94
256680
3305
Viszont nem csak a nagy adatmennyiség okozza
04:19
challenges of interpretation, because let's face it,
95
259985
2601
az értelmezés nehézségeit, hiszen — valljuk be —
04:22
we human beings have a very rich history
96
262586
2594
mi, emberek sokszor hajlamosak vagyunk
04:25
of taking any amount of data, no matter how small,
97
265180
2693
a meglévő információt — méretétől függetlenül —
04:27
and screwing it up.
98
267873
1617
elfuserálni.
04:29
So many years ago, you may remember
99
269490
3737
Sok éve, talán emlékeznek,
04:33
that former President Ronald Reagan
100
273227
2273
hogy Ronald Reagan volt elnököt
04:35
was very criticized for making a statement
101
275500
1991
sokan bírálták, amikor kijelentette,
04:37
that facts are stupid things.
102
277491
3010
hogy "a tények ostoba dolgok".
04:40
And it was a slip of the tongue, let's be fair.
103
280501
2794
Legyünk méltányosak, ez csak nyelvbotlás volt.
04:43
He actually meant to quote John Adams' defense
104
283295
2430
Reagan valójában John Adamst akarta idézni,
04:45
of British soldiers in the Boston Massacre trials
105
285725
2751
a bostoni sortűzben résztvevő brit katonák ügyvédjét,
04:48
that facts are stubborn things.
106
288476
3150
aki szerint "a tények makacs dolgok".
04:51
But I actually think there's
107
291626
2624
Én úgy gondolom, hogy van igazság abban,
04:54
a bit of accidental wisdom in what he said,
108
294250
3418
amit Reagan akaratlanul mondott,
04:57
because facts are stubborn things,
109
297668
2776
ugyanis a tények valóban makacs dolgok,
05:00
but sometimes they're stupid, too.
110
300444
2923
de néha ostobák is egyben.
05:03
I want to tell you a personal story
111
303367
1888
Elmondok egy személyes sztorit arról,
05:05
about why this matters a lot to me.
112
305255
3548
hogy ez miért olyan fontos számomra.
05:08
I need to take a breath.
113
308803
2437
Ehhez szükségem van egy kis levegőre.
05:11
My son Isaac, when he was two,
114
311240
2754
A fiamat, Isaac-et, amikor 2 éves volt,
05:13
was diagnosed with autism,
115
313994
2417
autizmussal diagnosztizálták.
05:16
and he was this happy, hilarious,
116
316411
2161
Ő egy vidám, derűs, imádni való
05:18
loving, affectionate little guy,
117
318572
2035
és szeretetteljes kisgyerek volt,
05:20
but the metrics on his developmental evaluations,
118
320607
2902
de a vizsgálatok eredményei alapján,
05:23
which looked at things like the number of words —
119
323509
2070
amelyek a szavak számát
05:25
at that point, none —
120
325579
3657
— ezen a ponton: nulla —,
05:29
communicative gestures and minimal eye contact,
121
329236
3940
a kommunikációs gesztusokat és a minimális szemkontaktust mérték,
05:33
put his developmental level
122
333176
2003
a fejlettségi szintje
05:35
at that of a nine-month-old baby.
123
335179
3961
egy 9 hónapos babáénak felelt meg.
05:39
And the diagnosis was factually correct,
124
339140
2960
A diagnózis a tényeket tekintve helytálló volt,
05:42
but it didn't tell the whole story.
125
342100
3209
de nem mondta el a teljes történetet.
05:45
And about a year and a half later,
126
345309
1401
Kb. másfél évvel később,
05:46
when he was almost four,
127
346710
2102
amikor már majdnem 4 éves volt,
05:48
I found him in front of the computer one day
128
348812
2363
a számítógép előtt találtam, amint
05:51
running a Google image search on women,
129
351175
5453
lányokat ábrázoló képeket keresett az interneten
05:56
spelled "w-i-m-e-n."
130
356628
3616
"l-á-n-j"-ként betűzve.
06:00
And I did what any obsessed parent would do,
131
360244
2740
Azt tettem, amit bármelyik megszállott szülő tett volna:
06:02
which is immediately started hitting the "back" button
132
362984
1901
rögtön nyomkodtam a "Vissza" gombot,
06:04
to see what else he'd been searching for.
133
364885
3363
hogy lássam, mire keresett még rá.
06:08
And they were, in order: men,
134
368248
2171
És sorban a következők voltak: férfiak,
06:10
school, bus and computer.
135
370419
7267
iskola, busz és számítógép.
06:17
And I was stunned,
136
377686
2070
Meg voltam döbbenve,
06:19
because we didn't know that he could spell,
137
379756
2002
hiszen mi nem tudtuk, hogy tud írni,
06:21
much less read, and so I asked him,
138
381758
1766
hát még olvasni, ezért megkérdeztem;
06:23
"Isaac, how did you do this?"
139
383524
2193
"Isaac, hogy csináltad ezt?"
06:25
And he looked at me very seriously and said,
140
385717
2678
Ő nagyon komolyan rám nézett s azt mondta:
06:28
"Typed in the box."
141
388395
3352
"Begépeltem a dobozba."
06:31
He was teaching himself to communicate,
142
391747
3734
Kommunikálni tanította magát,
06:35
but we were looking in the wrong place,
143
395481
3004
de mi rossz helyen keresgéltünk,
06:38
and this is what happens when assessments
144
398485
2295
és ez történik, mikor az értékelések
06:40
and analytics overvalue one metric —
145
400780
2396
és elemzések túlértékelnek egy mérőszámot
06:43
in this case, verbal communication —
146
403176
2609
— ez esetben a szóbeli kommunikációt —
06:45
and undervalue others, such as creative problem-solving.
147
405785
5703
és alábecsülnek másokat, mint az alkotó problémamegoldást.
06:51
Communication was hard for Isaac,
148
411488
2307
A kommunikálás nehezére esett Isaac-nek
06:53
and so he found a workaround
149
413795
1912
ezért más módot keresett rá,
06:55
to find out what he needed to know.
150
415707
2857
hogy megtudja, amit tudni akart.
06:58
And when you think about it, it makes a lot of sense,
151
418564
1890
Jobban belegondolva, van ennek értelme,
07:00
because forming a question
152
420454
2081
mivel megformálni egy kérdést
07:02
is a really complex process,
153
422535
2565
rendkívül összetett folyamat.
07:05
but he could get himself a lot of the way there
154
425100
2522
De ő úgy oldotta meg a gondot,
07:07
by putting a word in a search box.
155
427622
4092
hogy beírta a szót keresődobozba.
07:11
And so this little moment
156
431714
2936
Ennek a pillanatnak
07:14
had a really profound impact on me
157
434650
2836
igazán nagy hatása volt rám
07:17
and our family
158
437486
1309
és a családomra,
07:18
because it helped us change our frame of reference
159
438795
3141
ugyanis teljesen megváltoztatta a fejünkben a képet arról,
07:21
for what was going on with him,
160
441936
2208
hogy mi zajlik le a fiamban,
07:24
and worry a little bit less and appreciate
161
444144
2976
és már kevésbé aggódtunk érte,
07:27
his resourcefulness more.
162
447120
2182
inkább csodáltuk a találékonyságát.
07:29
Facts are stupid things.
163
449302
2861
A tények ostoba dolgok.
07:32
And they're vulnerable to misuse,
164
452163
2397
És — szándékosan vagy sem —
07:34
willful or otherwise.
165
454560
1653
könnyű velük visszaélni.
07:36
I have a friend, Emily Willingham, who's a scientist,
166
456213
3026
Barátnőm, Emily Willingham, kutató.
07:39
and she wrote a piece for Forbes not long ago
167
459239
2801
Írt egy cikket a Forbes-nak ezzel a címmel:
07:42
entitled "The 10 Weirdest Things
168
462040
1980
"A 10 legfurcsább dolog,
07:44
Ever Linked to Autism."
169
464020
1810
amelyet az autizmushoz kötnek".
07:45
It's quite a list.
170
465830
3005
Szép kis lista.
07:48
The Internet, blamed for everything, right?
171
468835
3532
Az internet a hibás mindenéért, ugye?
07:52
And of course mothers, because.
172
472367
3757
És persze az anyák is, mert miért ne?
07:56
And actually, wait, there's more,
173
476124
1587
De várjunk csak, van még,
07:57
there's a whole bunch in the "mother" category here.
174
477711
3430
szép kis gyűjtemény csak az "anya" kategórián belül.
08:01
And you can see it's a pretty rich and interesting list.
175
481141
4815
Láthatóan hosszú és érdekes lista.
08:05
I'm a big fan of
176
485956
2193
Én személyesen is nagy rajongója vagyok
08:08
being pregnant near freeways, personally.
177
488149
3704
az autópályák közelében való terhesség nevű tételnek.
08:11
The final one is interesting,
178
491853
1539
Az utolsó kifejezetten érdekes,
08:13
because the term "refrigerator mother"
179
493392
3003
mivel a "hűtőszekrény anya" kifejezés
08:16
was actually the original hypothesis
180
496395
2605
az első hipotézis volt
08:19
for the cause of autism,
181
499000
1431
az autizmus okára vonatkozóan.
08:20
and that meant somebody who was cold and unloving.
182
500431
2735
A kifejezés hideg és érzéketlen természetű embert jelent.
08:23
And at this point, you might be thinking,
183
503166
1562
És ezen a ponton gondolhatják:
08:24
"Okay, Susan, we get it,
184
504728
1657
"Susan, értjük, bármilyen adattal
08:26
you can take data, you can make it mean anything."
185
506385
1782
tetszésünk szerint visszaélhetünk".
08:28
And this is true, it's absolutely true,
186
508167
4703
És ez igaz, teljesen igaz,
08:32
but the challenge is that
187
512870
5610
de itt a kihívás az,
08:38
we have this opportunity
188
518480
2448
hogy használjuk ki a lehetőségét,
08:40
to try to make meaning out of it ourselves,
189
520928
2284
hogy értelmezhetjük az adathalmazokat,
08:43
because frankly, data doesn't create meaning. We do.
190
523212
5352
hiszen nincs saját jelentésük, csak amit mi adunk nekik.
08:48
So as businesspeople, as consumers,
191
528564
3256
Tehát, mint üzletemberek, mint fogyasztók,
08:51
as patients, as citizens,
192
531820
2539
mint páciensek, mint állampolgárok,
08:54
we have a responsibility, I think,
193
534359
2396
úgy gondolom, hogy miénk a felelősség,
08:56
to spend more time
194
536755
2194
hogy eleget foglalkozunk-e
08:58
focusing on our critical thinking skills.
195
538949
2870
kritikai gondolkodásunk fejlesztésével.
09:01
Why?
196
541819
1078
Miért?
09:02
Because at this point in our history, as we've heard
197
542897
3178
Mert a történelem során
09:06
many times over,
198
546075
1706
már eleget hallottuk,
09:07
we can process exabytes of data
199
547781
1981
hogy képesek vagyunk adatok exabyte-jait
09:09
at lightning speed,
200
549762
2153
feldolgozni egy pillanat alatt,
09:11
and we have the potential to make bad decisions
201
551915
3515
és nagyobb az esélye,
09:15
far more quickly, efficiently,
202
555430
1834
hogy rossz döntéseket hozunk
09:17
and with far greater impact than we did in the past.
203
557264
5028
visszafordíthatatlan következményekkel, mint valaha.
09:22
Great, right?
204
562292
1388
Jó, mi?
09:23
And so what we need to do instead
205
563680
3030
Ehelyett inkább arra kellene figyelnünk,
09:26
is spend a little bit more time
206
566710
2330
hogy több időt fordítsunk
09:29
on things like the humanities
207
569040
2746
a humán tudományokra:
09:31
and sociology, and the social sciences,
208
571786
3464
szociológiára, társadalomtudományokra,
09:35
rhetoric, philosophy, ethics,
209
575250
2308
retorikára, filozófiára és etikára,
09:37
because they give us context that is so important
210
577558
2856
mert ezek adják meg a kontextust, amely fontos
09:40
for big data, and because
211
580414
2576
nagy adathalmazok megértéséhez,
09:42
they help us become better critical thinkers.
212
582990
2418
mert általuk jobb kritikai gondolkodóvá válhatunk.
09:45
Because after all, if I can spot
213
585408
4207
Végtére is, ha képes vagyok
09:49
a problem in an argument, it doesn't much matter
214
589615
2486
egy vitában a problémát felismerni, nem az a lényeg,
09:52
whether it's expressed in words or in numbers.
215
592101
2759
hogy számokban vagy szavakban van-e kifejezve.
09:54
And this means
216
594860
2719
Ez azt jelenti, hogy ha már
09:57
teaching ourselves to find those confirmation biases
217
597579
4421
messziről képesek vagyunk átlátni
10:02
and false correlations
218
602000
1822
a megerősítési torzításon,
10:03
and being able to spot a naked emotional appeal
219
603822
2138
a hamis korreláción,
10:05
from 30 yards,
220
605960
1662
és a nyers érzelmi befolyásoláson,
10:07
because something that happens after something
221
607622
2522
mert attól, hogy az egyik a másik után történik,
10:10
doesn't mean it happened because of it, necessarily,
222
610144
3082
még nem biztos, hogy miatta történt.
10:13
and if you'll let me geek out on you for a second,
223
613226
2119
Hogy latin szóval éljek,
10:15
the Romans called this "post hoc ergo propter hoc,"
224
615345
4297
a régi rómaiak mondása szerint: "Post hoc ergo propter hoc."
10:19
after which therefore because of which.
225
619642
3296
vagyis "Utána, tehát miatta".
10:22
And it means questioning disciplines like demographics.
226
622938
3757
Ez olyan tudományok megkérdőjelezését jelenti, mint a demográfia.
10:26
Why? Because they're based on assumptions
227
626695
2520
Miért? Mert a feltevései arról, hogy kik vagyunk,
10:29
about who we all are based on our gender
228
629215
2306
olyan dolgokra építenek, mint a nemünk, a korunk
10:31
and our age and where we live
229
631521
1462
és a lakhelyünk,
10:32
as opposed to data on what we actually think and do.
230
632983
3478
s fittyet hány a gondolatainkról és tetteinkről valló adatokra.
10:36
And since we have this data,
231
636461
1663
Ilyen adatok valóban léteznek,
10:38
we need to treat it with appropriate privacy controls
232
638124
3139
ezért van szükség megfelelő adatvédelmi szabályozásra
10:41
and consumer opt-in,
233
641263
3576
és a fogyasztó beleegyezésére,
10:44
and beyond that, we need to be clear
234
644839
2993
és mindezen túl, tisztában kell lennünk
10:47
about our hypotheses,
235
647832
2103
a saját hipotéziseinkkel,
10:49
the methodologies that we use,
236
649935
2596
a használt módszertannal
10:52
and our confidence in the result.
237
652531
2804
és az eredményben való bizalmunkkal.
10:55
As my high school algebra teacher used to say,
238
655335
2474
Ahogy a középiskolai matektanárom szokta mondani;
10:57
show your math,
239
657809
1531
írd le a levezetést is,
10:59
because if I don't know what steps you took,
240
659340
3441
mivel ha nem tudom, hogy milyen lépéseket tettél meg,
11:02
I don't know what steps you didn't take,
241
662781
1991
azt sem fogom tudni, melyeket nem,
11:04
and if I don't know what questions you asked,
242
664772
2438
és ha nem tudom, hogy melyik részét nem érted,
11:07
I don't know what questions you didn't ask.
243
667210
3197
azt sem tudom, hogy melyik részét érted.
11:10
And it means asking ourselves, really,
244
670407
1523
Fel kell tennünk magunknak
11:11
the hardest question of all:
245
671930
1479
a legnehezebb kérdést:
11:13
Did the data really show us this,
246
673409
3500
Az adatok valóban ezt mutatják,
11:16
or does the result make us feel
247
676909
2311
vagy csak a végeredmény tölt el bennünket
11:19
more successful and more comfortable?
248
679220
3878
a siker és a kényelem érzetével?
11:23
So the Health Media Collaboratory,
249
683098
2584
Szóval, a Health Media Collaboratory
11:25
at the end of their project, they were able
250
685682
1699
a projekt végén kijelenthette,
11:27
to find that 87 percent of tweets
251
687381
3408
hogy az emberek 87%-ánál okoztak félelemérzetet
11:30
about those very graphic and disturbing
252
690789
2144
azok a látványos és nyugtalanító
11:32
anti-smoking ads expressed fear,
253
692933
4038
dohányzásellenes reklámok.
11:36
but did they conclude
254
696971
1856
De jutottak-e arra a következtetésre,
11:38
that they actually made people stop smoking?
255
698827
3161
hogy az embereket leszoktatták a dohányzásról?
11:41
No. It's science, not magic.
256
701988
2542
Nem. Ez tudomány, nem varázslat.
11:44
So if we are to unlock
257
704530
3190
Tehát, ha szabadjára akarjuk engedni
11:47
the power of data,
258
707720
2862
az információ hatalmát,
11:50
we don't have to go blindly into
259
710582
3448
nem szükséges vakon belerohannunk
11:54
Orwell's vision of a totalitarian future,
260
714030
3436
Orwell totalitárius
11:57
or Huxley's vision of a trivial one,
261
717466
3117
vagy Huxley banális jövőképébe,
12:00
or some horrible cocktail of both.
262
720583
3020
vagy a kettőnek egy szörnyű elegyébe.
12:03
What we have to do
263
723603
2379
A mi dolgunk, hogy tekintettel legyünk
12:05
is treat critical thinking with respect
264
725982
2718
a kritikai gondolkodás fontosságára,
12:08
and be inspired by examples
265
728700
2029
szem előtt tartsunk olyan példákat, mint
12:10
like the Health Media Collaboratory,
266
730729
2610
a Health Media Collaboratory projektje;
12:13
and as they say in the superhero movies,
267
733339
2328
és ahogy a szuperhősös filmekben mondják:
12:15
let's use our powers for good.
268
735667
1822
az erőnket jóra használjuk.
12:17
Thank you.
269
737489
2351
Köszönöm.
12:19
(Applause)
270
739840
2334
(Taps)
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7